Загрузка предварительно обученной сети

Загрузка JapaneseVowelsNetпредварительно обученная сеть долгой краткосрочной памяти (LSTM), обученная на наборе данных японских гласных, как описано в [1] и [2]. Эта сеть была обучена на последовательностях, отсортированных по длине последовательности с размером мини-пакета 27.

load JapaneseVowelsNet

Просмотрите сетевую архитектуру.

net.Layers

ans = 

  5x1 Layer array with layers:

     1   'sequenceinput'   Sequence Input          Sequence input with 12 dimensions
     2   'lstm'            LSTM                    LSTM with 100 hidden units
     3   'fc'              Fully Connected         9 fully connected layer
     4   'softmax'         Softmax                 softmax
     5   'classoutput'     Classification Output   crossentropyex with '1' and 8 other classes

Загрузка тестовых данных

Загрузите тестовые данные японских гласных. XTest - массив ячеек, содержащий 370 последовательностей размерности 12 различной длины. YTest является категориальным вектором меток «1», «2»... «9», которые соответствуют этим девяти дикторам.

[XTest,YTest] = japaneseVowelsTestData;
X = XTest{94};
numTimeSteps = size(X,2);

Simulink Модели для классификации данных

Модель Simulink для классификации данных содержит Stateful Classify блок для предсказания меток и MATLAB Function блоки для загрузки последовательности входных данных в течение временных шагов.

open_system('StatefulClassifyExample');

Сконфигурируйте модель для симуляции

Установите параметры конфигурации модели для входных блоков и Stateful Classify блок.

set_param('StatefulClassifyExample/Input','Value','X');
set_param('StatefulClassifyExample/Index','uplimit','numTimeSteps-1');
set_param('StatefulClassifyExample/Stateful Classify','NetworkFilePath','JapaneseVowelsNet.mat');
set_param('StatefulClassifyExample','SimulationMode','Normal');

Запуск симуляции

Вычисление откликов для JapaneseVowelsNet network, запустите симуляцию. Метки прогноза сохраняются в рабочей области MATLAB ®.

out = sim('StatefulClassifyExample');

Отобразите предсказанные метки на графике лестницы. График показывает, как предсказания изменяются между временными шагами.

labels = squeeze(out.YPred.Data(1:numTimeSteps,1));

figure
stairs(labels, '-o')
xlim([1 numTimeSteps])
xlabel("Time Step")
ylabel("Predicted Class")
title("Classification Over Time Steps")

Сравните предсказания с истинной меткой. Постройте график горизонтальной линии, показывающий истинную метку наблюдения.

trueLabel = double(YTest(94));
hold on
line([1 numTimeSteps],[trueLabel trueLabel], ...
    'Color','red', ...
    'LineStyle','--')
legend(["Prediction" "True Label"])
axis([1 numTimeSteps+1 0 9]);